JP2018061883A - 血管形状及び生理学から血流特性を推定するシステム及び方法 - Google Patents

Abstract

【課題】血管形状及び生理学から血流特性を推定するシステム及び方法の提供。
【解決手段】患者固有の血流特性を推定するシステム及び方法が開示されている。１つの方法は、複数の個体のそれぞれについて、個体の血管系の少なくとも一部の形状モデル及び推定血流特性を取得することと、複数の個体のそれぞれについての形状モデル及び推定血流特性に対して機械学習アルゴリズムを実行することと、機械学習アルゴリズムを使用して、形状モデルにおける複数点に対応する血流特性を予測する特徴を識別することと、患者について、患者の血管系の少なくとも一部の形状モデルを取得することと、識別された特徴を使用して患者の形状モデルにおける複数点のそれぞれについての患者の血流特性の推定値を生成することと、を含む。
【選択図】図２

Description

関連出願
本特許出願は、２０１２年９月１２日に出願された米国仮特許出願第６１／７００，２１３号に対する米国特許法１１９条に基づく優先権の利益を主張する２０１３年５月１６日に出願された米国特許出願第１３／８９５，８９３号に対する優先権を主張し、その全体の開示がそれらの全体において参照することによって本願明細書に組み込まれる。

発明の分野
本開示の様々な実施形態は、一般に、医療イメージング及び関連する方法に関する。より具体的には、本開示の特定の実施形態は、血管形状及び生理学から患者固有の血流特性を推定するシステム及び方法に関する。

動脈容量の機能的評価が患者のニーズに対処するために治療計画にとって重要である。最近の研究では、血流予備量比（ＦＦＲ）などの血行動態特性が、動脈疾患を有する患者にとって最適な治療を決定する重要な指標であることが実証されている。これらの血行動態特性の従来の推定は、圧力及び流速などの血流特性を直接測定するために侵襲的なカテーテル法を使用している。しかしながら、収集された重要な臨床情報にもかかわらず、これらの侵襲的な測定技術は、患者に対する深刻なリスクと医療制度に対する大幅なコストを提示する。

侵襲的測定に関連するリスク及びコストに対処するために、新世代の非侵襲的検査が血流特性を評価するために開発されてきた。これらの非侵襲的検査は、血管の患者固有の形状モデルを判定するために（コンピュータ断層撮影（ＣＴ）などの）患者のイメージングを使用し、このモデルは、適切な生理学的境界条件及びパラメータによる計算流体力学（ＣＦＤ）を使用して血流をコンピュータ的にシミュレートするために使用される。これらの患者固有の境界条件への入力の例としては、患者の血圧、血液粘度及び（患者イメージングからの供給される組織のスケーリング則及び質量推定から得られる）供給される組織からの予想血液需要量が挙げられる。これらのシミュレーションベースの血流特性の推定は、興味の対象となる同じ量の直接（侵襲的）測定に匹敵するレベルの忠実度を示すものの、物理シミュレーションは、これらの仮想的な非侵襲的検査をリアルタイム臨床環境において実行するのを困難とする可能性がある大幅な計算負担を要求する。従って、本開示は、計算的に安価である血流特性の迅速な非侵襲的推定を行うための新たなアプローチを記載する。

システム及び方法は、患者の血管の患者固有の形状モデルを導出し、患者固有の生理学的情報及び境界条件とこの形状とを組み合わせるために開示されている。組み合わされたこれらのデータは、患者の血流特性を推定し、興味の対象となる臨床的に関連する量（例えば、ＦＦＲ）を予測するために使用してもよい。ここで開示されるシステム及び方法は、物理ベースのシミュレーションの結果を予測する機械学習を代わりに使用することなどによって興味の対象となる量を算出するための血流の物理ベースのシミュレーションに優る利点を提供する。１つの実施形態において、開示されたシステム及び方法は、以下の２つの段階、すなわち、第１に、機械学習システムが１つ以上の血流特性を予測するようにトレーニングされるトレーニング段階と、第２に、１つ以上の血流特性及び興味の対象となる臨床的に関連する量を生成するために機械学習システムが使用される生成段階とを含む。複数の血流特性を予測する場合には、この機械学習システムは、各血流特性及び興味の対象となる量に適用することができる

１つの実施形態によれば、患者固有の血流特性を推定する方法が開示されている。本方法は、複数の個体のそれぞれについて、個体の血管系の少なくとも一部の形状モデル及び推定血流特性を取得することと、複数の個体のそれぞれについての形状モデル及び推定血流特性に対して機械学習アルゴリズムを実行することと、機械学習アルゴリズムを使用して、形状モデルにおける複数点に対応する血流特性を予測する特徴を識別することと、患者について、患者の血管系の少なくとも一部の形状モデルを取得することと、識別された特徴を使用して患者の形状モデルにおける複数点のそれぞれについての患者の血流特性の推定値を生成することと、を含む。

他の実施形態によれば、患者固有の血流特性を推定するシステムが開示されている。本システムは、患者固有の血流特性を推定するための命令を記憶するデータ記憶装置と、複数の個体のそれぞれについて、個体の血管系の少なくとも一部の形状モデル及び推定血流特性を取得するステップと、複数の個体のそれぞれについての形状モデル及び推定血流特性に対して機械学習アルゴリズムを実行するステップと、機械学習アルゴリズムを使用して、形状モデルにおける複数点に対応する血流特性を予測する特徴を識別するステップと、患者について、患者の血管系の少なくとも一部の形状モデルを取得するステップと、識別された特徴を使用して患者の形状モデルにおける複数点のそれぞれについての患者の血流特性の推定値を生成するステップと、を含む方法を実行するための命令を実行するように構成されたプロセッサとを含む。

開示された実施形態のさらなる目的及び利点は、以下の説明において一部が記載され、一部は説明から明らかになるか、又は開示された実施形態の実施によってわかる場合がある。開示された実施形態の目的及び利点は、添付された特許請求の範囲において具体的に指摘される要素及び組み合わせによって実現され、かつ達成される。

前述の概要及び以下の詳細な説明は、例示であって説明のためのものにすぎず、特許請求されるように、開示された実施形態を限定するものではないことを理解すべきである。本発明は、例えば、以下を提供する。
（項目１）
患者固有の血流特性を判定する方法であって、
複数の個体のそれぞれについて、前記個体の血管系の少なくとも一部の形状モデル及び血流特性を取得することと、
前記複数の個体のそれぞれについての前記形状モデル及び血流特性に対して機械学習アルゴリズムを実行することと、
前記機械学習アルゴリズムを使用して、前記形状モデルにおける複数点に対応する血流特性を予測する特徴を識別することと、
患者について、前記患者の血管系の少なくとも一部の形状モデルを取得することと、
前記識別された特徴を使用して前記患者の形状モデルにおける少なくとも１つの点についての前記患者の血流特性を判定することと、を含む、方法。
（項目２）
前記複数の個体のそれぞれについて、１つ以上の生理学的パラメータを取得することと、
前記１つ以上の生理学的パラメータにさらに基づいて前記機械学習アルゴリズムを実行することと、をさらに含む、項目１に記載の方法。
（項目３）
前記機械学習アルゴリズムを実行することが、
前記複数の個体のそれぞれについての前記形状モデルにおける複数点について、前記点又は前記生理学的パラメータの特徴ベクトルを作成することと、
前記複数の個体のそれぞれについての前記特徴ベクトルを前記対応する個体の前記血流特性に関連付けることと、を含む、項目２に記載の方法。
（項目４）
前記機械学習アルゴリズムを実行することが、
前記関連付けられた特徴ベクトルに基づいて様々な点における血流特性を予測するように前記機械学習アルゴリズムをトレーニングすることをさらに含む、項目３に記載の方法。
（項目５）
各特徴ベクトルが、
収縮期及び拡張期血圧、心拍数、血液特性、個体年齢、個体性別、個体身長、個体体重、疾患の有無、ライフスタイル特性、大動脈の形状特性及び冠動脈枝の形状特性のうちの１つ以上を含む、項目３に記載の方法。
（項目６）
各特徴ベクトルが、断面積特徴セット、強度特徴セット、表面特徴セット、体積特徴セット、中心線特徴セット及び簡略化された物理的特徴セットのうちの１つ以上を含む、項目３に記載の方法。
（項目７）
前記機械学習アルゴリズムを使用して、前記形状モデルにおける複数点に対応する血流特性を予測する特徴の重みを識別することと、
前記識別された重みを記憶装置に記憶することと、をさらに含む、項目１に記載の方法。
（項目８）
前記識別された特徴を使用して前記患者の血流特性を判定することが、
前記患者の形状モデルにおける複数点のそれぞれについて、前記複数の個体のそれぞれについて取得された特徴ベクトルに対応する前記患者の生理学的パラメータの特徴ベクトルを作成することを含む、項目２に記載の方法。
（項目９）
前記生理学的パラメータが、心拍数、ヘマトクリット値、血圧、血液粘度、個体年齢、個体性別、個体体重、個体のライフスタイル特性、及び、供給された組織の質量のうちの１つ以上を含む、項目２に記載の方法。
（項目１０）
前記機械学習アルゴリズムが、サポートベクトルマシン（ＳＶＭ）、多層パーセプトロン（ＭＬＰ）、多変量回帰（ＭＶＲ）、ツリーベースの分類、及び、重み付き線形又はロジスティック回帰のうちの１つ以上を含む、項目１に記載の方法。
（項目１１）
前記患者の形状モデルにおける少なくとも１つの点についての前記患者の前記判定された血流特性を医師に表示すること、又はネットワークを介して前記判定された血流特性を送信することをさらに含む、項目１に記載の方法。
（項目１２）
患者固有の血流特性を推定するシステムであって、
患者固有の血流特性を判定するための命令を記憶するデータ記憶装置と、
プロセッサであって、
複数の個体のそれぞれについて、前記個体の血管系の少なくとも一部の形状モデル及び血流特性を取得するステップと、
前記複数の個体のそれぞれについて、前記形状モデル及び血流特性に対して機械学習アルゴリズムを実行するステップと、
前記機械学習アルゴリズムを使用して、前記形状モデルにおける複数点に対応する血流特性を予測する特徴を識別するステップと、
患者について、前記患者の血管系の少なくとも一部の形状モデルを取得するステップと、
前記識別された特徴を使用して前記患者の形状モデルにおける少なくとも１つの点についての前記患者の血流特性を判定するステップと、を含む方法を実行するための前記命令を実行するように構成されるプロセッサと、を備える、システム。
（項目１３）
前記プロセッサが、
複数の個体のそれぞれについて、１つ以上の生理学的パラメータを取得し、
前記１つ以上の生理学的パラメータにさらに基づいて前記機械学習アルゴリズムを実行するようにさらに構成される、項目１２に記載のシステム。
（項目１４）
前記機械学習アルゴリズムを実行するステップが、
前記複数の個体のそれぞれについての前記形状モデルにおける複数点について、前記生理学的パラメータの特徴ベクトルを作成するステップと、
前記複数の個体のそれぞれについての前記特徴ベクトルを前記対応する前記個体の血流特性に関連付けるステップと、を含む、項目１３に記載のシステム。
（項目１５）
前記機械学習アルゴリズムを実行するステップが、
前記関連付けられた特徴ベクトルに基づいて様々な点における血流特性を予測するように前記機械学習アルゴリズムをトレーニングするステップをさらに含む、項目１４に記載のシステム。
（項目１６）
各特徴ベクトルが、
収縮期及び拡張期血圧、心拍数、血液特性、個体年齢、個体性別、個体身長、個体体重、疾患の有無、ライフスタイル特性、大動脈の形状特性及び冠動脈枝の形状特性のうちの１つ以上を含む、項目１４に記載のシステム。
（項目１７）
各特徴ベクトルが、断面積特徴セット、強度特徴セット、表面特徴セット、体積特徴セット、中心線特徴セット及び簡略化された物理的特徴セットのうちの１つ以上を含む、項目１４に記載のシステム。
（項目１８）
前記プロセッサが、
前記機械学習アルゴリズムを使用して、前記形状モデルにおける複数点に対応する血流特性を予測する特徴の重みを識別し、
前記識別された重みを記憶装置に記憶するようにさらに構成される、項目１２に記載のシステム。
（項目１９）
前記識別された特徴を使用して前記患者の血流特性を判定するステップが、
前記患者の形状モデルにおける複数点のそれぞれについて、前記複数の個体のそれぞれについて取得された特徴ベクトルに対応する前記患者の生理学的パラメータの特徴ベクトルを作成するステップを含む、項目１３に記載のシステム。
（項目２０）
前記生理学的パラメータが、心拍数、ヘマトクリット値、血圧、血液粘度、個体年齢、個体性別、個体体重、個体のライフスタイル特性、及び、供給された組織の質量のうちの１つ以上を含む、項目１３に記載のシステム。
（項目２１）
前記機械学習アルゴリズムが、サポートベクトルマシン（ＳＶＭ）、多層パーセプトロン（ＭＬＰ）、多変量回帰（ＭＶＲ）、及び、重み付き線形又はロジスティック回帰のうちの１つ以上を含む、項目１２に記載のシステム。
（項目２２）
コンピュータによって実行された場合に、前記コンピュータに方法を実行させる命令を記憶する非一時的なコンピュータ読み取り可能な媒体であって、前記方法が、
複数の個体のそれぞれについて、前記個体の血管系の少なくとも一部の形状モデル及び推定血流特性を取得することと、
前記複数の個体のそれぞれについての前記形状モデル及び血流特性に対して機械学習アルゴリズムを実行することと、
前記機械学習アルゴリズムを使用して、前記形状モデルにおける複数点に対応する血流特性を予測する特徴を識別することと、
患者について、前記患者の血管系の少なくとも一部の形状モデルを取得することと、
前記識別された特徴を使用して前記患者の形状モデルにおける少なくとも１つの点についての前記患者の血流特性を判定することと、を含む、媒体。

本願明細書に組み込まれ、かつ本願明細書の一部を構成する添付図面は、説明とともに様々な例示的な実施形態を図示し、開示された実施形態の原理を説明するのに役立つ。

図１は、本開示の例示的な実施形態による、血管形状及び生理学的情報から患者固有の血流特性を推定するための例示的なシステム及びネットワークのブロック図である。 図２は、本開示の例示的な実施形態による、血管形状及び生理学的情報から患者固有の血流特性を推定するための例示的な方法のブロック図である。

添付図面に図示されている例は、本開示の例示的な実施形態について詳細に参照される。可能な限り、同一又は同様の部品を指すために同じ参照符号が図面全体を通して使用される。

本開示は、患者固有の血流特性及び興味の対象となる臨床的に関連する量を算出するための血流の物理ベースのシミュレーションに優る利点を提供するための特定の原理及び実施形態を記載している。すなわち、ここで開示されるシステム及び方法は、物理ベースのシミュレーションの結果を予測する機械学習技術を組み込む場合がある。例えば、本開示は、患者の血管の断面積、病変長及び境界条件の関数である血流予備量比（ＦＦＲ）のモデル化を含んでもよい、例示的な、処理への集中がより少ない技術を記載している。断面積は、とりわけ管腔セグメント及びプラークセグメントに基づいて算出される場合がある。病変長は、とりわけプラークセグメント及び狭窄位置に基づいて算出される場合がある。境界条件は、異なる患者が異なる形状及び生理学的応答を有することを反映するように、（心筋質量から推定される）冠血流、出口面積及び充血仮定などの患者固有の生理機能を反映する場合がある。

１つの実施形態において、血流予備量比は、患者の境界条件（ｆ（ＢＣｓ））の関数として及び患者の血管形状（ｇ（ａｒｅａＲｅｄｕｃｔｉｏｎｓ））の関数としてモデル化される場合がある。患者の形状は、「ａｒｅａＲｅｄｕｃｔｉｏｎｓ」の関数として記述することができるが、この用語が、患者の血管の断面積の変化だけでなく、患者の血流に影響を与える任意の物理的又は形状的特性を指していることを理解すべきである。１つの実施形態において、ＦＦＲは、推定されたＦＦＲ（ＦＦＲ_{ＣＴ＿ＳｃａｌｉｎｇＬａｗ}）と測定されたＦＦＲ（ｍＦＦＲ）との差異が最小化されるように関数「ｆ」及び「ｇ」を最適化することによって予測することができる。換言すれば、推定されたＦＦＲが測定されたＦＦＲを近似する関数を解くために、機械学習技術を使用することができる。１つの実施形態において、測定されたＦＦＲは、従来のカテーテル挿入法によって、又は近代的な計算流体力学（ＣＦＤ）技術によって算出される場合がある。１つの実施形態において、１つ以上の機械学習アルゴリズムを、ＦＦＲの推定が測定されたＦＦＲの値を確実に近似することができるように、数百又はさらに数千人の患者についての境界条件及び患者の形状の関数を最適化するために使用してもよい。それゆえに、ＣＦＤ技術によって算出されたＦＦＲ値は、機械学習アルゴリズムをトレーニングするのに役立つ。

ここで図面を参照すると、図１は、血管形状及び生理学的情報から患者固有の血流特性を推定するための例示的なシステム及びネットワークのブロック図を示している。具体的には、図１は、そのうちのだれかが１つ以上のコンピュータ、サーバ及び／又はハンドヘルドモバイル機器を介してインターネットなどの電子ネットワーク１００に接続することができる複数の医師１０２及び第三者プロバイダ１０４を示している。医師１０２及び／又は第三者プロバイダ１０４は、１つ以上の患者の心臓及び／又は血管系の画像を作成又は取得することができる。医師１０２及び／又は第三者プロバイダ１０４はまた、年齢、病歴、血圧、血液粘度などの患者固有の情報の任意の組み合わせを取得することができる。医師１０２及び／又は第三者プロバイダ１０４は、電子ネットワーク１００を介してサーバシステム１０６に対して心臓／血管画像及び／又は患者固有の情報を送信することができる。サーバシステム１０６は、医師１０２及び／又は第三者プロバイダ１０４から受信した画像及びデータを記憶する記憶装置を含んでもよい。サーバシステム１０６はまた、記憶装置に記憶された画像及びデータを処理する処理装置を含んでもよい。

図２は、本開示の例示的な実施形態による、血管形状及び生理学的情報から患者固有の血流特性を推定するための例示的な方法のブロック図である。図２の方法を、電子ネットワーク１００を介して医師１０２及び／又は第三者プロバイダ１０４から受信した情報に基づいてサーバシステム１０６によって実行してもよい。

１つの実施形態において、図２の方法は、多数の患者の血流特性の推定値に基づいて１つ以上の機械学習アルゴリズムをトレーニングするためのトレーニング方法２０２と、機械学習アルゴリズムの結果を使用して特定の患者の血流特性を予測するための生成方法２０４とを含んでもよい。

１つの実施形態において、トレーニング方法２０２を、数百人の患者についてＣＦＤ技術を使用して生成したＦＦＲ推定値に基づいて実行してもよい。トレーニング方法２０２は、例えば、ディジタル形式で複数の個人のそれぞれについて、以下、すなわち（ａ）患者固有の形状モデル、（ｂ）１つ以上の測定又は推定された生理学的パラメータ、及び、（ｃ）血流特性の値を取得することを含んでもよい。次いで、トレーニング方法２０２は、各患者のモデルにおける１つ以上の点について、患者の生理学的パラメータの特徴ベクトルを作成することと、血流特性の値と特徴ベクトルを関連付けることとを含んでもよい。例えば、トレーニング方法２０２は、推定されたＦＦＲを患者の形状モデルにおける全ての点と関連付けてもよい。次いで、トレーニング方法２０２は、特徴ベクトル及び血流特性に基づいて、形状モデルの各点における血流特性を予測するように、（例えば、サーバシステム１０６の処理装置を使用して）機械学習アルゴリズムをトレーニングしてもよい。次いで、トレーニング方法２０２は、サーバシステム１０６の記憶装置に特徴重みを含む、機械学習アルゴリズムの結果を保存してもよい。記憶された特徴重みは、患者の特徴や形状がある特定の血流特性を予測する程度を定義する場合がある。

１つの実施形態において、生成方法２０４は、トレーニング方法２０２の実行結果に基づいて特定の患者についてのＦＦＲ値を推定することを含んでもよい。１つの実施形態において、生成方法２０４は、例えば、ディジタル形式で以下、すなわち、（ａ）患者固有の形状モデルと、（ｂ）１つ以上の測定又は推定された生理学的パラメータと、を取得することを含んでもよい。患者の形状モデルにおける複数点について、生成方法２０４は、トレーニングモードで使用される生理学的パラメータの特徴ベクトルを作成することを含んでもよい。次いで、生成方法２０４は、保存された機械学習アルゴリズムの結果を使用して、患者固有の形状モデルにおける各点についての患者の血流特性の推定値を生成してもよい。最後に、生成方法２０４は、サーバシステム１０６の記憶装置に、予測された血流特性を含む機械学習アルゴリズムの結果を保存することを含んでもよい。

例えば、電子ネットワーク１００を介して医師１０２及び／又は第三者プロバイダ１０４から受信した画像及びデータに基づいてサーバシステム１０６を使用して、患者固有の血流特性を予測するための機械学習のトレーニングモード及び生成モードを実装するための一般的及び具体的な例示的実施形態が以下に記載される。

一般的な実施形態
一般的な実施形態において、サーバシステム１０６は、電子ネットワーク１００を介して医師１０２及び／又は第三者プロバイダ１０４から受信した画像及びデータに基づいてトレーニングモードを実行してもよい。具体的には、１人以上の患者について、サーバシステム１０６は、以下の項目、すなわち、（ａ）１つ以上の患者の血管についての形状の患者固有のモデル、（ｂ）患者の１つ以上の測定又は推定された生理学的又は表現型のパラメータのリスト、及び／又は、（ｃ）予測のために標的とされる全ての血流特性の測定値、推定値又はシミュレート値のディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ又はディジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）を取得する場合がある。１つの実施形態において、形状の患者固有のモデルは、空間が点間の空間的単位（例えば、ミリメートル）にマッピングすることができる（おそらく各点についての近傍のリストを有する）空間内の点のリストによって表される場合がある。１つの実施形態において、患者の１つ以上の測定又は推定された生理学的又は表現型のパラメータのリストは、血圧、血液粘度、患者年齢、患者性別、供給された組織の質量などを含む場合がある。これらの患者固有のパラメータは、全体的であってもよく（例えば、血圧）又は局所的であってもよい（例えば、特定の位置における血管壁の推定密度）。

次いで、血流特性の測定、推定又はシミュレート値が存在する患者固有の形状モデルにおける全ての点について、サーバシステム１０６は、その点についての特徴ベクトルを作成してもよい。特徴ベクトルは、その点における患者固有の形状及び患者の生理学的又は表現型のパラメータの推定値の数値的記述であってもよい。特徴ベクトルは、全体的及び局所的の両方の生理学的又は表現型のパラメータを含んでもよい。ここで、全体的パラメータについては、全ての点は、同じ数値を有し、局所的パラメータについて、値は、特徴ベクトルにおける異なる点において変化する場合がある。次いで、サーバシステム１０６は、この点における血流特性の測定値、推定値又はシミュレート値とこの特徴ベクトルを関連付ける場合がある。

次いで、サーバシステム１０６は、その点における特徴ベクトルからその点における血流特性を予測するように機械学習アルゴリズムをトレーニングする場合がある。このタスクを実行することができる機械学習アルゴリズムの例は、サポートベクトルマシン（ＳＶＭ）、多層パーセプトロン（ＭＬＰ）及び多変量回帰（ＭＶＲ）（例えば、重み付けされた線形又はロジスティック回帰）である。次いで、サーバシステム１０６は、ディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ及びディジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）に機械学習アルゴリズムの結果（例えば、特徴重み）を保存する場合がある。

また、一般的な実施形態において、サーバシステム１０６は、電子ネットワーク１００を介して医師１０２及び／又は第三者プロバイダ１０４から受信した画像及びデータに基づいて生成モードを実行する場合がある。血流分析が実行されることになる患者について、サーバシステム１０６は、（ａ）１つ以上の患者の血管についての形状の患者固有のモデル、及び（ｂ）患者の生理学的又は表現型のパラメータの１つ以上の推定値のリストのディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ又はディジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）を取得する場合がある。１つの実施形態において、１つ以上の患者の血管についての形状の患者固有のモデルは、空間を点間の空間的単位（例えば、ミリメートル）にマッピングすることができる（おそらく各点についての近傍のリストを有する）空間内の点のリストとして表される場合がある。患者の生理学的又は表現型のパラメータの１つ以上の推定値のリストは、血圧、血液粘度、患者年齢、患者性別、供給された組織の質量などを含むことができる。これらのパラメータは、全体的であってもよく（例えば、血圧）又は局所的であってもよい（例えば、所定位置における血管壁の推定密度）。このパラメータのリストは、トレーニングモードで使用されるリストと同じでなければならない。

患者固有の形状モデルにおける全ての点について、サーバシステム１０６は、形状及び患者の生理学的又は表現型のパラメータの推定値の数値的記述からなる特徴ベクトルを作成してもよい。全体的な生理学的又は表現型のパラメータは、全ての点の特徴ベクトルにおいて使用することができ、局所的な生理学的又は表現型のパラメータは、異なる点の特徴ベクトルに変更することができる。これらの特徴ベクトルは、トレーニングモードで使用されるのと同じパラメータを表す場合がある。次いで、サーバシステム１０６は、患者固有の形状モデルにおける各点での血流特性の推定値を生成するためにトレーニングモードで生成された機械学習アルゴリズムの保存された結果（例えば、特徴重み）を使用してもよい。これらの推定値は、トレーニングモードで使用されるのと同じ機械学習アルゴリズム技術を使用して生成される場合がある（例えば、ＳＶＭ、ＭＬＰ、ＭＶＲ技術）。サーバシステム１０６はまた、ディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ又はディジタル記憶装置［ハードドライブ、ネットワークドライブ］）に各点についての予測された血流特性を保存してもよい。

例示的な実施形態
１つの例示的な実施形態において、サーバシステム１０６は、電子ネットワーク１００を介して医師１０２及び／又は第三者プロバイダ１０４から受信した画像及びデータに基づいてトレーニングモードを実行する場合がある。具体的には、１人以上の患者について、サーバシステム１０６は、以下の項目、すなわち、（ａ）患者の上行大動脈及び冠動脈樹についての形状の患者固有のモデル、（ｂ）患者の測定又は推定された生理学的又は表現型パラメータのリスト、及び、（ｃ）利用可能な場合にはＦＦＲの測定値のディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ又はディジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）を取得することができる。

１つの実施形態において、患者の上行大動脈及び冠動脈樹についての形状の患者固有のモデルは、空間が点間の空間的単位（例えば、ミリメートル）にマッピングすることができる（おそらく各点についての近傍のリストを有する）空間内の点のリストとして表される場合がある。このモデルは、心臓周期の拡張末期段階中に患者の心臓のＣＴイメージング検査を実行することによって導出される場合がある。次いで、得られたＣＴ画像は、大動脈及び冠動脈の管腔に属するボクセルを識別するために手動で又は自動的にセグメント化される場合がある。全ての関連するボクセルが識別されると、（例えば、マーチングキューブを使用して）形状モデルを導出することができる。

１つの実施形態において、患者の測定又は推定された生理学的又は表現型のパラメータのリストが、取得される場合があり、以下、すなわち、（ｉ）収縮期及び拡張期血圧、（ｉｉ）心拍数、（ｉｉｉ）ヘマトクリット値、（ｉｖ）患者年齢、性別、身長、体重、一般的健康状態（糖尿病の有無、現在の投薬）、（ｖ）喫煙者／非喫煙者といったライフスタイル特性、及び／又は、（ｖｉ）心筋質量（ＣＴイメージング検査中に得られた心筋をセグメント化し、次いで画像内の体積を算出することによって導出される場合があり、次いで質量は、心筋質量の算出された体積及び推定された濃度（１．０５ｇ／ｍＬ）を使用して算出される）を含む場合がある。

１つの実施形態において、ＦＦＲの測定値は、利用可能な場合には取得されてもよい。測定されたＦＦＲ値が患者固有の形状モデルにおける所与の空間的位置において利用可能でない場合には、その点におけるＦＦＲの数値計算された値が使用されてもよい。数値計算された値は、同一の形状モデルと、上記生理学的及び表現型のパラメータから導出された患者固有の境界条件を使用して、以前のＣＦＤシミュレーションから取得されてもよい。

血流特性の測定、推定又はシミュレートされた値が存在する患者固有の形状モデルにおける全ての点について、サーバシステム１０６は、患者の生理学的又は表現型のパラメータの数値的記述及び局所的形状の記述を含むその点についての特徴ベクトルを作成する場合がある。具体的には、特徴ベクトルは、以下、すなわち、（ｉ）収縮期及び拡張期血圧、（ｉｉ）心拍数、（ｉｉｉ）血漿、赤血球、ヘマトクリット、白血球及び血小板、粘度、降伏応力を含む血液特性、（ｉｖ）患者年齢、性別、身長、体重など、（ｖ）糖尿病、心筋梗塞、悪性及びリウマチ性疾患、末梢血管性疾患などの疾患の有無、（ｖｉ）現在の薬物治療／薬品の有無、喫煙者／非喫煙者といったライフスタイル特性、（ｖｉｉ）大動脈の形状特性（大動脈の入口及び出口の断面積、大動脈の表面積及び体積、最小、最大、及び平均断面積など）、（ｖｉｉｉ）冠動脈枝の形状特性、及び、（ｉｘ）１つ以上の特徴セットを含んでもよい。

１つの実施形態において、冠動脈枝の形状の特性は、以下、すなわち（ｉ）冠動脈枝点の上流／下流の大動脈の体積、（ｉｉ）冠状／大動脈枝点、すなわち冠動脈枝への入口の断面積、（ｉｉｉ）血管分岐部の総数及び血管分岐部の上流／下流の数、（ｉｖ）平均、最小、最大上流／下流断面積、（ｖ）最小及び最大上流／下流断面積の中心線上の点までの（血管中心線に沿った）距離、（ｖｉ）最寄りの上流／下流血管分岐部までの（血管中心線に沿った）断面積及び距離、（ｖｉｉ）最寄りの冠動脈出口及び大動脈入口／出口の断面積及びそこまでの（血管の中心線に沿った）距離、（ｖｉｉｉ）最小／最大断面積を有する下流冠動脈出口の断面積及びそこまでの（血管中心線に沿った）距離、（ｉｘ）冠状血管の上流／下流体積、及び（ｘ）ユーザが指定した許容値以下の断面積を有する冠状血管の上流／下流の体積分率を含んでもよい。

１つの実施形態において、第１の特徴セットは、冠動脈の中心線に沿った断面管腔面積、断面管腔面積のべき乗、主心門に対する管腔断面積の比率（ＬＭ、ＲＣＡ）、主心門に対する管腔断面積の比率のべき乗、中心線に沿った断面管腔面積における先細りの程度、狭窄病変の位置、狭窄病変の長さ、５０％、７５％、９０％の面積減少に対応する病変の位置及び数、狭窄病変から主心門までの距離、及び／又は、断面管腔境界の不規則性（又は真円度）などの断面積特徴を定義してもよい。

１つの実施形態において、冠動脈の中心線に沿った断面管腔面積は、構築された形状から中心線を抽出し、必要に応じて中心線を平滑化し、各中心点における断面積を算出し、それを対応する表面及び体積メッシュ点にマッピングすることによって算出されてもよい。１つの実施形態において、断面管腔面積のべき乗は、スケーリング則の様々なソースから判定することができる。１つの実施形態において、主心門（ＬＭ、ＲＣＡ）に対する管腔断面積の比率は、ＬＭ心門における断面積を測定し、ＬＭ心門面積によって左冠動脈の断面積を正規化し、ＲＣＡ心門における断面積を測定し、ＲＣＡ心門面積によって右冠動脈の断面積を正規化することによって算出することができる。１つの実施形態において、主心門に対する管腔断面積のべき乗比率は、スケーリング則の様々なソースから判定することができる。１つの実施形態において、中心線に沿った断面管腔面積における先細りの程度は、ある特定の間隔（例えば、血管の直径の２倍）以内の中心点をサンプリングし、線形フィッティングされた断面積の傾きを算出することによって算出することができる。１つの実施形態において、狭窄病変の位置は、断面積曲線の最小値を検出し、断面積曲線の一次導関数がゼロでありかつ二次導関数が正である位置を検出し、主心門からの距離（中心線のパラメトリック弧長）を算出することによって算出することができる。１つの実施形態において、狭窄病変の長さは、断面積が回復した狭窄病変からの近位及び遠位位置を算出することによって算出することができる。

１つの実施形態において、他の特徴セットは、例えば、中心線に沿った強度変化（線形フィッティングされた強度変化の傾き）を定義する強度特徴を含んでもよい。１つの実施形態において、別の特徴セットは、例えば、形状の３次元表面曲率（ガウシアン、最大、最小、平均）を定義する表面特徴を含んでもよい。１つの実施形態において、別の特徴セットは、例えば、心筋体積と比較した総冠動脈体積の比率を定義する体積特徴を含んでもよい。１つの実施形態において、別の特徴セットは、例えば、以下のフレネの曲率を算出することなどによって、又は中心点に沿った外接円の半径の逆数を算出することによって冠動脈中心線の曲率（曲げ）を定義する中心線特徴を含んでもよい。

式中、ｐは、中心線の座標である。

冠動脈中心線の曲率（曲げ）はまた、例えば、以下のフレネのねじれを算出することによって冠動脈中心線のねじれ（非平面性）に基づいて算出することができる。

式中、ｐは、中心線の座標である。

１つの実施形態において、別の特徴セットは、例えば、大動脈入口病変の存在、大動脈から冠動脈の起点に位置する病変の検出、及び／又は、優占度（左又は右）を含む構文スコアリング特徴を含んでもよい。

１つの実施形態において、別の特徴セットは、例えば、ハーゲン・ポアズイユ流れの仮定から導出される血流予備量比値（Ｒｅｓｉｓｔａｎｃｅ〜Ａｒｅａ^−２）を含む簡略化された物理的特徴を含んでもよい。例えば、１つの実施形態において、サーバシステム１０６は、大動脈圧（Ｐ_０）を有する大動脈（Ａ_０）からの冠動脈の起点（ＬＭ心門又はＲＣＡ心門）の断面積を算出し、サンプリングされた各区間（Ｌ_ｉ）における冠動脈血管（Ａ_ｉ）の断面積を算出し、充血仮定（Ｑ_ｉ）の下での抵抗境界条件を使用して血管の各セグメントにおける冠血流の量を判定し、以下に基づいてサンプリングされた各位置（Ｒ_ｉ）における抵抗を推定してもよい。

式中、

公称値μ＝血液の動粘性係数であり、α_ｉ＝１．０であり、β_ｉ＝０であり、γ_ｉ＝２．０である（ハーゲン・ポアズイユ）。

サーバシステム１０６は、ΔＰ_ｉ＝Ｑ_ｉＲ_ｉとして圧力降下（ΔＰ_ｉ）を推定し、

としてサンプリングされた各位置におけるＦＦＲを算出することができる。断面積の最小値又は血管半径よりも小さい間隔の位置を、サンプリング位置に使用してもよい。サーバシステム１０６は、ＦＦＲ_ｉを使用して中心線に沿ってＦＦＲを補間し、ＦＦＲ値を３次元表面メッシュノードに投影し、α_ｉ、β_ｉ、γ_ｉを変え、パラメータを乱すために上記定義された特徴セットを使用することなどによってトレーニングのために必要に応じてＦＦＲ推定値の新たなセットを得てもよく、ここで、α_ｉ、β_ｉは、疾患の長さ、狭窄の程度、及び、先細りした血管を構成する先細り比率の関数とすることができ、Ｑ_ｉは、抵抗境界条件（出口抵抗∝出口面積^{−１．３５}）としての同じスケーリング則に基づいて各出口の分散流れを合計することによって判定することができる。しかしながら、新たなスケーリング則及び充血仮定を採用することができ、この特徴ベクトルは、その点におけるＦＦＲの値を測定と関連付けるか又はシミュレートする場合がある。サーバシステム１０６はまた、その点における特徴ベクトルからその点における血流特性を予測するために線形ＳＶＭをトレーニングし、ディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ又はディジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）としてＳＶＭの結果を保存してもよい。

例示的な生成モードにおいて、サーバシステム１０６は、対象患者について、（ａ）患者の上行大動脈及び冠動脈樹についての形状の患者固有のモデル、及び、（ｂ）トレーニングモード中に取得された患者の生理学的及び表現型パラメータのリストをディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ又はディジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）で取得することができる。１つの実施形態において、患者の上行大動脈及び冠動脈樹についての形状の患者固有のモデルは、空間を点間の空間的単位（例えば、ミリメートル）にマッピングすることができる（おそらく各点についての近傍のリストにより）空間内の点のリストとして表される場合がある。このモデルは、心臓周期の拡張末期段階において患者の心臓のＣＴイメージングを実行することによって導出されてもよい。次いで、この画像は、大動脈及び冠動脈の管腔に属するボクセルを識別するために手動で又は自動的にセグメント化されてもよい。ボクセルが識別されると、形状モデルを、（例えば、マーチングキューブを使用して）導出することができる。形状の患者固有のモデルを生成するプロセスは、トレーニングモードと同じであってもよい。患者固有の形状モデルにおける全ての点について、サーバシステム１０６は、その点における形状の数値的記述及び患者の生理学的又は表現型のパラメータの推定値から構成されるその点についての特徴ベクトルを作成する場合がある。これらの特徴は、トレーニングモードで使用される量と同じであってもよい。次いで、サーバシステム１０６は、トレーニングモードで生成された機械学習アルゴリズムの保存された結果（例えば、特徴重み）を使用し、患者固有の形状モデルの各点におけるＦＦＲの推定値を生成する場合がある。これらの推定値は、トレーニングモードで使用されるのと同じ線形ＳＶＭ技術を使用して生成される場合がある。サーバシステム１０６は、ディジタル表現（例えば、コンピュータ、ラップトップ、ＤＳＰ、サーバなどの計算装置のメモリ又はディジタル記憶装置［例えば、ハードドライブ、ネットワークドライブ］）に、各点についての予測したＦＦＲ値を保存する場合がある。

１つの実施形態において、上記要因（ｉ）乃至（ｖｉｉｉ）（「収縮期及び拡張期血圧」から「冠動脈枝形状の特性」）は、所与の患者の形状モデル内の全ての点に適用可能な、考慮される全体的な特徴とされる場合がある。また、項目（ｉｘ）乃至（ｘｖ）（「特徴セットＩ：断面積特徴」から「特徴セットＶＩＩ：簡略化された物理的特徴」）は、所与の患者の形状モデル内の特定点に対して局所的な考慮される特徴とされる場合がある。さらに、特徴（ｉ）乃至（ｖｉ）は、境界条件の関数ｆ（ＢＣｓ）内の考慮される変数とされる場合がある一方で、特徴（ｖｉｉ）乃至（ｘｖ）は、そのページにおける形状の関数ｇ（ａｒｅａＲｅｄｕｃｔｉｏｎｓ）内の考慮される変数とされる場合がある。任意の所望の重み付け方式によって変更されたこれらの特徴の任意の組み合わせが、開示された実施形態に従って実行される機械学習アルゴリズムに組み込まれてもよいことが理解されるであろう。

本発明の他の実施形態は、本願明細書に開示された本発明の仕様及び実施例を考慮すれば当業者にとって明らかであろう。仕様及び実施例は、以下の特許請求の範囲によって示される本発明の真の範囲及び精神を有する例示としてのみ考慮されることが意図されている。

Claims (21)

1. 患者の虚血を推定するためのシステムの作動方法であって、前記作動方法は、
   複数の個体のそれぞれに対して、（１）血管断面積を含む個体固有の解剖学的データと、（２）それぞれの個体の血管系の少なくとも一部の１つ以上の点における虚血のしるしとを取得することと、
   前記複数の個体のそれぞれに対して、機械学習アルゴリズムを使用して前記個体固有の解剖学的データとそれぞれの個体の血管系の１つ以上の点における虚血との間に学習した関連付けを生成するために、前記複数の個体のうちのある個体の血管系の１つ以上の点における虚血を予測するように機械学習アルゴリズムをトレーニングすることと、
   前記複数の個体と異なる患者に対して、前記患者の血管系の少なくとも一部の、血管断面積を含む患者固有の解剖学的データを取得することと、
   前記患者の血管系内の少なくとも１つの点に対して、前記トレーニングされた機械学習アルゴリズムを使用して前記患者の虚血のしるしを判定することと、
   画像、レンダリング、値のテーブル、又は報告を含む媒体のうちの１つ以上に、前記患者の前記判定された虚血のしるしを生成及び表示又は記憶することと
   を含む、作動方法。
2. 前記複数の個体のそれぞれに対して、１つ以上の個体特性を取得することと、
   前記複数の個体のそれぞれに対して、前記個体の血管系の１つ以上の点における血流特性の機能的推定を受信することと、
   前記複数の個体のそれぞれに対して、前記個体固有の解剖学的データ、前記１つ以上の個体特性、前記血流特性の機能的推定、及び前記機械学習アルゴリズムのための管理されたトレーニングデータとしての前記虚血のしるしを使用して、前記機械学習アルゴリズムをさらにトレーニングすることと、
   前記複数の個体と異なる前記患者に対して、１つ以上の患者特性を取得することと
   をさらに含む、請求項１に記載の作動方法。
3. 前記患者又は前記複数の個体の虚血のしるしは、虚血の重症度の分類、血流特性、又は血流予備量比値のうちの１つ以上を含む、請求項１に記載の作動方法。
4. 前記患者の虚血のしるしを判定することは、
   前記血流特性の機能的推定上の前記個体固有の解剖学的データの効果を重み付けるように前記機械学習アルゴリズムをトレーニングすることと、
   前記患者の血管系内の少なくとも１つの点に対して、前記トレーニングされた機械学習アルゴリズムを使用して、前記患者に対して血流特性を数値的に推定することと、
   前記患者の血管系内の少なくとも１つの点に対して、前記推定された血流特性を使用して前記患者の虚血のしるしを判定することと
   を含む、請求項２に記載の作動方法。
5. 前記個体特性又は前記患者特性は、心拍数、血圧、年齢、性別、投薬、疾患状態、糖尿病の有無、高血圧、血管ドミナンス、及び既往の心筋梗塞（ＭＩ）のうちの１つ以上を含む、請求項２に記載の作動方法。
6. 前記患者の前記判定された虚血のしるしと共に、信頼レベル、又は、正、負、又は決定的でない指示を表示することをさらに含む、請求項１に記載の作動方法。
7. 前記血流特性の機能的推定は、解析的流体動的方程式及び形態計測スケーリング則のうちの１つ以上に基づく、請求項２に記載の作動方法。
8. 前記個体固有又は前記患者固有の解剖学的データは、血管サイズ、心門における血管サイズ、遠枝における血管サイズ、プラークにおける基準及び最小血管サイズ、心門からプラークまでの距離、プラークの長さ及び最小血管サイズの長さ、心筋体積、測定位置に対して近位／遠位の枝、プラークに対して近位／遠位の枝、並びに測定位置のうちの１つ以上を含む、請求項１に記載の作動方法。
9. 血流予備量比（ＦＦＲ）、虚血検査結果、以前のシミュレーション結果、及びイメージングデータと共に、前記個体固有又は前記患者固有の解剖学的データ及び前記個体特性又は前記患者特性のライブラリ又はデータベースをコンパイルすることをさらに含む、請求項２に記載の作動方法。
10. 前記ライブラリ又はデータベースに追加されるさらなるデータに基づいて前記機械学習アルゴリズムを改良することをさらに含む、請求項９に記載の作動方法。
11. 前記個体固有の解剖学的データ又は前記患者固有の解剖学的データは、医療画像データ、測定、モデル、及びセグメント化のうちの１つ以上から取得される、請求項９に記載の作動方法。
12. 患者の虚血を推定するためのシステムであって、前記システムは、
    患者の虚血を推定するための命令を記憶するデータ記憶デバイスと、
    方法を行うように前記命令を実行するように構成されたプロセッサと
    を備え、
    前記方法は、
    複数の個体のそれぞれに対して、（１）血管断面積を含む個体固有の解剖学的データと、（２）それぞれの個体の血管系の少なくとも一部の１つ以上の点における虚血のしるしとを取得するステップと、
    前記複数の個体のそれぞれに対して、機械学習アルゴリズムを使用して前記個体固有の解剖学的データとそれぞれの個体の血管系の１つ以上の点における虚血との間に学習した関連付けを生成するために、前記複数の個体のうちのある個体の血管系の１つ以上の点における虚血を予測するように機械学習アルゴリズムをトレーニングするステップと、
    前記複数の個体と異なる患者に対して、前記患者の血管系の少なくとも一部の、血管断面積を含む患者固有の解剖学的データを取得するステップと、
    前記患者の血管系内の少なくとも１つの点に対して、前記トレーニングされた機械学習アルゴリズムを使用して前記患者の虚血を判定するステップと、
    画像、レンダリング、値のテーブル、又は報告を含む媒体のうちの１つ以上に、前記患者の前記判定された虚血のしるしを生成及び表示又は記憶するステップと
    を含む、システム。
13. 前記プロセッサは、
    前記複数の個体のそれぞれに対して、１つ以上の個体特性を取得することと、
    前記複数の個体のそれぞれに対して、前記個体の血管系の１つ以上の点における血流特性の機能的推定を受信することと、
    前記複数の個体のそれぞれに対して、前記個体固有の解剖学的データ、前記１つ以上の個体特性、前記血流特性の機能的推定、及び前記機械学習アルゴリズムのための管理されたトレーニングデータとしての前記虚血のしるしを使用して、前記機械学習アルゴリズムをさらにトレーニングすることと、
    前記複数の個体と異なる前記患者に対して、１つ以上の患者特性を取得することと
    を行うためにさらに構成されている、請求項１２に記載のシステム。
14. 前記患者又は前記複数の個体の虚血のしるしは、虚血の重症度の分類、血流特性、又は血流予備量比値のうちの１つ以上を含む、請求項１２に記載のシステム。
15. 前記患者の虚血のしるしを判定することは、
    前記血流特性の機能的推定上の前記個体固有の解剖学的データの効果を重み付けるように前記機械学習アルゴリズムをトレーニングすることと、
    前記患者の血管系内の少なくとも１つの点に対して、前記トレーニングされた機械学習アルゴリズムを使用して、前記患者に対して血流特性を数値的に推定することと、
    前記患者の血管系内の少なくとも１つの点に対して、前記推定された血流特性を使用して前記患者の虚血のしるしを判定することと
    を含む、請求項１３に記載のシステム。
16. 前記個体特性又は前記患者特性は、心拍数、血圧、年齢、性別、投薬、疾患状態、糖尿病の有無、高血圧、血管ドミナンス、及び既往の心筋梗塞（ＭＩ）のうちの１つ以上を含む、請求項１３に記載のシステム。
17. 前記プロセッサは、前記患者の前記判定された虚血のしるしと共に、信頼レベル、又は、正、負、又は決定的でない指示を表示するためにさらに構成されている、請求項１２に記載のシステム。
18. 前記血流特性の機能的推定は、解析的流体動的方程式及び形態計測スケーリング則のうちの１つ以上に基づく、請求項１３に記載のシステム。
19. 命令を記憶する非一時的なコンピュータ読み取り可能な媒体であって、前記命令は、コンピュータによって実行されるとき、前記コンピュータに、
    複数の個体のそれぞれに対して、（１）血管断面積を含む個体固有の解剖学的データと、（２）それぞれの個体の血管系の少なくとも一部の１つ以上の点における虚血のしるしとを取得することと、
    前記複数の個体のそれぞれに対して、機械学習アルゴリズムを使用して前記個体固有の解剖学的データとそれぞれの個体の血管系の１つ以上の点における虚血との間に学習した関連付けを生成するために、前記複数の個体のうちのある個体の血管系の１つ以上の点における虚血を予測するように機械学習アルゴリズムをトレーニングすることと、
    前記複数の個体と異なる患者に対して、前記患者の血管系の少なくとも一部の、血管断面積を含む患者固有の解剖学的データを取得することと、
    前記患者の血管系内の少なくとも１つの点に対して、前記トレーニングされた機械学習アルゴリズムを使用して前記患者の虚血のしるしを判定することと、
    画像、レンダリング、値のテーブル、又は報告を含む媒体のうちの１つ以上に、前記患者の前記判定された虚血のしるしを生成及び表示又は記憶することと
    を含む方法を行わせる、コンピュータ読み取り可能な媒体。
20. 前記方法は、
    前記複数の個体のそれぞれに対して、１つ以上の個体特性を取得することと、
    前記複数の個体のそれぞれに対して、前記個体の血管系の１つ以上の点における血流特性の機能的推定を受信することと、
    前記複数の個体のそれぞれに対して、前記個体固有の解剖学的データ、前記１つ以上の個体特性、前記血流特性の機能的推定、及び前記機械学習アルゴリズムのための管理されたトレーニングデータとしての前記虚血のしるしを使用して、前記機械学習アルゴリズムをさらにトレーニングすることと、
    前記複数の個体と異なる前記患者に対して、１つ以上の患者特性を取得することと
    をさらに含む、請求項１９に記載のコンピュータ読み取り可能な媒体。
21. 前記機械学習アルゴリズムは、サポートベクトルマシン（ＳＶＭ）、多層パーセプトロン（ＭＬＰ）、多変量回帰（ＭＶＲ）、及び、重み付き線形又はロジスティック回帰のうちの１つ以上を含む、請求項１９に記載のコンピュータ読み取り可能な媒体。